机器学习数学基础- gradient descent算法（上）

为什么要了解点数学基础

学习大数据分布式计算时多少会涉及到机器学习的算法，所以理解一些机器学习基础，有助于理解大数据分布式计算系统（比如spark）的设计。机器学习中一个常见的就是gradient descent算法，是线性回归问题的一个基础算法。gradient是数学概念。

Gradient

如果一个函数有n个自变量：f(x1,x2......xn)。且每一个x都是标量值。那么该函数的gradient就是一个n维的向量函数，每一个component是f函数针对xi的partial derivative。f的gradient反映的是f针对全部变量在各自维度的变化的敏感程度（以及正负相关性。即当自变量添加时，f值是添加还是减小，下同。

gradient所反映的正负相关性非常重要，是理解gradient descent算法的一个关键）的合集。f的gradient记为∇f

Partial Derivative

partial derivative是derivative的一个延伸概念，是一个有n维变量的函数f(x1,x2......xn)。在如果其它变量值不变、仅有一个变量（如果为xi）变化的情况下，f函数针对该变量的derivative，写为f′(xi)，或者∂f∂xi，f(x1,x2......xn)对xi的partial derivative也是xi的函数，它反映的是f相对于xi的变化的敏感程度（以及正负相关性）。

Derivative

一个一维变量的函数f(x)的derivative，反映的是f(x)在x的不同值的情况下，当x仅作无限小的变化时。f值的变化与x的变化的比值，因此derivative反映的是f(x)在x的不同值的情况下，f(x)对x的变化的敏感程度（以及正负相关性）。

f(x)的derivative也是x的函数，写为f′(x).

Gradient Descent算法

线性回归问题能够归结为求一个函数f(x1,x2......xn)的(x1,x2......xn)的某一个详细的值，使得f有最小值。

如果把这个求解问题交给你，你能求出来吗？非常难把，

而gradient descent算法则能解决问题。

……待续